Um modelo de grafos de topologias combinadas de para segmentação de imagens via compressão de grafos

Abstract

Um desafio na área de segmentação de imagens é o problema de escalabilidade, onde muitos métodos atuais enfrentam problemas de complexidade computacional e/ou de memória ao lidar com imagens em alta resolução. Motivado para enfrentar esse desafio, este trabalho propõe uma nova abordagem de modelos de grafos de topologias combinadas para a tarefa de segmentação de imagens em alta resolução. Mais especificamente, a imagem é modelada por um grafo de regiões de topologias combinadas, que generaliza o conceito de grafo de regiões de topologia única para modelar melhor as interações entre as regiões por meio de diferentes indicadores visuais (estruturais, texturais etc.) que formam topologias diferentes. Este grafo é desacoplado em pequenos subgrafos e a compressão de grafos de topologias combinadas é utilizada para resumir os subgrafos, reduzindo o número de vértices e arestas, mas mantendo a estrutura geral do grafo. Finalmente, os subgrafos comprimidos são re-acoplados em um gráfico conectado, que é então recomprimido para produzir a segmentação final. Além disso, este trabalho também propõe um algoritmo eficiente para compressão de grafos. O grafo de topologias combinadas é inicialmente desacoplado em subgrafos menores, que são então comprimidos individualmente. Esse processo transforma o subgrafo, reduzindo o número de vértices e arestas, mas mantendo sua a topologia e estrutura geral. Os subgrafos comprimidos são então reconectados e uma última etapa de re-compressão é realizada para obter um grafo comprimido que representa a segmentação da imagem. Os experimentos realizados em um conjunto de imagens em alta resolução (1000 1500 pixels) demonstram que a abordagem proposta produz segmentações superiores quando comparada aos métodos do estado da arte de segmentação de imagens (PRI = 0:91 e F = 0:62), mas com custo computacional e consumo de memória significativamente menores.

An ongoing challenge in the area of image segmentation is the scalability problem, where many current methods struggle with computational and/or memory complexity issues when dealing with larger images. Motivated to tackle this challenge, this work proposes a new combined topology graphical modeling approach for the purpose of segmentation of large images. More specifically, the image is modeled by a combined topology region graph, which generalizes the single-topology regional graph concept to better model regional interactions via different visual cues (structural, textural, etc.) that form different topologies. This graph is decoupled into small sub-graphs and combined topology graph compression is performed to summarize the sub-graphs in a way that reduces the number of vertices and edges while keeping the overall graph structure. Finally, the compressed sub-graphs are re-coupled into a connected graph, which is then re-compressed to yield the final segmentation. The experiments performed on a dataset of large images (1000 1500) show that the proposed approach performs better segmentation when compared to state-of-the-art segmentation methods (PRI=0.91 and F=0.63) with significantly lower computational and memory complexity.